گواهینامه در AZURE ML

آنچه یاد خواهید گرفت:

• شرکت‌کنندگان مقدمه‌ای بر Azure و Machine Learning را درک خواهند کرد که با مبانی یادگیری ماشین، مفاهیم کلیدی و موارد استفاده در دنیای واقعی آغاز می‌شود.
• فراگیران به بررسی سرویس‌های ابری Azure و سرویس Azure Machine Learning (ML)، از جمله ویژگی‌های کلیدی آن خواهند پرداخت.
• فعالیت عملی شامل راه‌اندازی یک حساب Azure، ناوبری در پورتال Azure و ایجاد یک فضای کاری در Azure ML Studio است.
• فراگیران مدیریت داده در Azure ML را یاد خواهند گرفت که شامل ذخیره‌سازی و مدیریت داده با Azure Blob Storage، آماده‌سازی داده و مهندسی ویژگی‌ها است.
• شرکت‌کنندگان Azure Data Lake را برای تحلیل کلان‌داده‌ بررسی کرده و چگونگی ایمپورت کردن و مدیریت مجموعه‌داده در Azure ML را می‌آموزند.
• فعالیت عملی شامل آپلود مجموعه‌داده در Blob Storage، اتصال آن‌ها به Azure ML و انجام پیش‌پردازش با استفاده از Azure ML Designer است.
• فراگیران بر روی ساخت و آموزش مدل‌ها در Azure ML کار خواهند کرد و مهارت‌هایی را در توسعه بدون کد با استفاده از Azure ML Designer و توسعه مبتنی بر کد به دست خواهند آورد.
• بررسی Automated Machine Learning (AutoML) و آموزش مدل سفارشی با نمونه‌ها و خوشه‌های محاسباتی Azure ML انجام خواهد شد.
• فعالیت عملی شامل آموزش مدل با AutoML و توسعه یک مدل ML سفارشی در پایتون با استفاده از Azure ML SDK است.
• شرکت‌کنندگان در بهینه‌سازی و ارزیابی مدل تخصص پیدا کرده و تنظیم ابرپارامترها را با Azure ML HyperDrive یاد خواهند گرفت.
• فعالیت عملی شامل بهینه‌سازی یک مدل با HyperDrive و مصورسازی نتایج ارزیابی در Azure ML Studio است.
• فراگیران استقرار مدل‌های Machine Learning با Azure ML را درک خواهند کرد، که شامل ایجاد پایپ‌لاین‌های استنتاج و مقایسه استنتاج بلادرنگ و دسته‌ای است.
• پیکربندی اندپوینت ها و احراز هویت آموزش داده می‌شود. فعالیت عملی شامل استقرار یک مدل آموزش‌دیده و آزمایش آن با ورودی‌های نمونه است.
• فراگیران ادغام Azure ML با سایر سرویس‌های Azure را بررسی کرده و یاد می‌گیرند که چگونه پیش‌بینی‌های مدل‌های Azure ML را با Azure Synapse و Power BI متصل کنند.
• فعالیت عملی شامل ایجاد یک داشبورد Power BI یکپارچه با پیش‌بینی‌های یک مدل Azure ML است.
• شرکت‌کنندگان بر MLOps و اتوماسیون گردش کار، از جمله CI/CD برای ML، استفاده از Azure Pipelines برای اتوماسیون گردش کار و مدیریت نسخه‌بندی مدل مسلط خواهند شد.
• فعالیت عملی شامل پیاده‌سازی یک پایپ‌لاین ML خودکار با استفاده از Azure DevOps است.
• بینش‌های عملی در مورد امنیت، انطباق و بهینه‌سازی هزینه، با تمرکز بر کنترل دسترسی مبتنی بر نقش (RBAC) و انطباق با GDPR و HIPAA به دست خواهد آمد.

پیش‌نیازهای دوره

• شما باید به رایانش ابری، یادگیری ماشین و چگونگی استفاده از سرویس‌های Azure برای ساخت و استقرار راهکارهای هوشمند علاقه‌مند باشید.
• آشنایی با برنامه‌نویسی مقدماتی در پایتون و درک اساسی از مفاهیم یادگیری ماشین و رایانش ابری توصیه می‌شود.

توضیحات دوره

قدم بعدی را در مسیر Azure و Machine Learning خود بردارید!
چه یک دانشمند داده مشتاق، مهندس ابر، توسعه‌دهنده نرم‌افزار یا رهبر کسب‌وکار باشید، این دوره شما را با مهارت‌های لازم برای استفاده از اکوسیستم قدرتمند یادگیری ماشین Azure برای راهکارهای مقیاس‌پذیر و واقعی هوش مصنوعی مجهز می‌کند. یاد بگیرید که چگونه Azure ML Studio، AutoML، پایتون و سرویس‌های یکپارچه Azure در حال تغییر آماده‌سازی داده، آموزش مدل، استقرار و نظارت هستند، که امکان تصمیم‌گیری سریع‌تر، هوشمندتر و تاثیرگذارتر را فراهم می‌کنند.

با هدایت پروژه‌های عملی و موارد استفاده در دنیای واقعی، شما:

• به مفاهیم اساسی یادگیری ماشین و گردش‌کارهای Azure ML اعمال شده در سناریوهای کسب و کار واقعی مسلط خواهید شد.
• تجربه عملی در جمع‌آوری، مدیریت و آماده‌سازی داده با استفاده از Azure Blob Storage ،Data Lake و ML Studio به دست خواهید آورد.
• چگونگی آموزش، بهینه‌سازی و استقرار مدل‌ها را با استفاده از AutoML، کیت توسعه نرم‌افزار Azure ML SDK و منابع محاسباتی مقیاس‌پذیر خواهید آموخت.
• کاربردهای صنعتی را در تحلیل‌های پیش‌بینی‌کننده، سیستم‌های توصیه‌گر، تحلیل احساسات و اتوماسیون مبتنی بر هوش مصنوعی بررسی خواهید کرد.
• بهترین شیوه ها را برای MLOps، اتوماسیون گردش کار، امنیت، انطباق و بهینه‌سازی هزینه در محیط‌های Azure ML درک خواهید کرد.
• با توسعه مهارت‌های پرتقاضا در تقاطع رایانش ابری، هوش مصنوعی و تحلیل داده، خود را برای کسب مزیت رقابتی آماده خواهید کرد.

چارچوب‌های دوره

• درس های ویدئویی تعاملی، مطالعات موردی، پروژه‌ها، منابع قابل دانلود و تمرین‌های تعاملی طراحی شده‌اند تا به شما کمک کنند عمیقاً درک کنید که چگونه Azure Machine Learning را برای ساخت، آموزش، استقرار و مدیریت راهکارهای هوش مصنوعی در فضای ابری به کار ببرید.

• این دوره شامل مطالعات موردی خاص صنعت، ابزارهای Azure ML، راهنماهای مرجع، کوییزها، ارزیابی‌های خودگام و آزمایشگاه‌های عملی است تا توانایی شما را در توسعه، بهینه‌سازی و عملیاتی‌سازی مدل‌های یادگیری ماشین با استفاده از اکوسیستم قدرتمند Azure تقویت کند.

• در بخش اول دوره، شما مبانی یادگیری ماشین، سرویس‌های ابری Azure و چگونگی ارتقای مقیاس‌پذیری، اتوماسیون و یکپارچه‌سازی در گردش‌کارهای هوش مصنوعی توسط Azure ML را خواهید آموخت.

• در بخش میانی دوره، شما تجربه عملی استفاده از Azure ML Studio، AutoML، نوت‌بوک‌های Jupyter، کیت توسعه نرم‌افزار پایتون (Python SDK) و سرویس‌های یکپارچه‌ای مانند Azure Data Lake و Power BI را برای جمع‌آوری، پردازش و تحلیل داده، آموزش مدل‌ها و ایجاد داشبوردهای تعاملی به دست خواهید آورد.

• در بخش پایانی دوره، شما اتوماسیون MLOps، راهکارهای بهینه‌سازی هزینه، امنیت و انطباق، و کاربردهای دنیای واقعی در صنایع مختلف را بررسی خواهید کرد.

محتوای دوره:

بخش 1

مقدمه و برنامه مطالعاتی

• مقدمه و آشنایی با مدرس
• برنامه مطالعاتی و ساختار دوره

ماژول 1. مقدمه‌ای بر Azure و Machine Learning

• مبانی Machine Learning - مفاهیم کلیدی و موارد استفاده
• مروری بر سرویس‌های ابری Azure
• مقدمه‌ای بر سرویس‌های Azure Machine Learning
• ویژگی‌های کلیدی Azure ML Studio
• فعالیت عملی - ایجاد حساب Azure و بررسی در پورتال، ناوبری در Azure ML Studio و ایجاد فضای کاری
• نتیجه‌گیری مقدمه‌ای بر Azure و Machine Learning

ماژول 2. مدیریت داده در Azure ML

• پذخیره‌سازی و مدیریت داده با Azure Blob Storage
• آماده‌سازی داده و مهندسی ویژگی در Azure ML Studio
• مقدمه‌ای بر Azure Data Lake برای تحلیل کلان‌داده
• ایمپورت کردن و مدیریت مجموعه‌داده در Azure ML
• فعالیت عملی - آپلود مجموعه‌داده در Azure Blob Storage و اتصال آن‌ها به Azure ML، انجام پیش‌پردازش اولیه داده با Azure ML Designer
• نتیجه‌گیری مدیریت داده در Azure ML

ماژول 3. ساخت و آموزش مدل‌ها در Azure ML

• مروری بر Azure ML Designer برای توسعه ML بدون کد
• استفاده از نوت‌بوک‌های Jupyter و SDK برای توسعه مدل مبتنی بر کد
• یادگیری ماشین خودکار (AutoML) در Azure
• آموزش مدل سفارشی با نمونه‌ها و خوشه‌های محاسباتی Azure ML
• فعالیت عملی - آموزش یک مدل با استفاده از AutoML در Azure ML Studio، توسعه یک مدل ML سفارشی با استفاده از پایتون و Azure ML SDK.
• نتیجه‌گیری ساخت و آموزش مدل‌ها در Azure ML

ماژول 4. بهینه‌سازی و ارزیابی مدل

• تنظیم ابرپارامترها با Azure ML Hyperdrive
• ارزیابی معیارهای عملکرد مدل
• اعتبارسنجی متقابل و تکنیک‌های انتخاب مدل
• تفسیرپذیری مدل با Azure Interpretability Toolkit
• فعالیت عملی - بهینه‌سازی یک مدل با استفاده از Hyperdrive، ارزیابی و مصورسازی عملکرد مدل در Azure ML Studio
• نتیجه‌گیری بهینه‌سازی و ارزیابی مدل

ماژول 5. استقرار مدل‌های Machine Learning با Azure ML

• ایجاد پایپ‌لاین‌های استنتاج در Azure ML
• استنتاج بلادرنگ در مقابل دسته‌ای در Azure
• استقرار مدل در سرویس Azure Kubernetes (AKS) یا Azure Container Instances
• پیکربندی اندپوینت های عملی - استقرار یک مدل آموزش‌دیده در یک اندپوینت Azure ML، تست مدل مستقر شده با ورودی‌های نمونه
• نتیجه‌گیری استقرار مدل‌های Machine Learning با Azure ML

ماژول 6. ادغام Azure ML با سایر سرویس‌های Azure

• تحلیل داده با Azure Synapse و Power BI
• نظارت و لاگ کردن با Azure Monitor
• اتوماسیون گردش کار با Azure Logic Apps
• ساخت اپلیکیشن‌های هوشمند با Cognitive Services
• فعالیت عملی - ایجاد یک داشبورد در Power BI و ادغام پیش‌بینی‌های یک مدل Azure ML
• نتیجه‌گیری ادغام Azure ML با سایر سرویس‌های Azure

ماژول 7. MLOps و اتوماسیون گردش کار

• مقدمه‌ای بر MLOps و CI/CD برای Machine Learning
• استفاده از Azure Pipelines برای اتوماسیون گردش کار ML
• مدیریت نسخه‌بندی و چرخه‌های عمر مدل
• نظارت و آموزش مجدد مدل‌های مستقر شده
• فعالیت عملی - پیاده‌سازی یک پایپ‌لاین ML خودکار با استفاده از Azure DevOps
• نتیجه‌گیری MLOps و اتوماسیون گردش کار

ماژول 8. امنیت، انطباق و بهینه‌سازی هزینه

• امنیت داده در Azure ML - کنترل دسترسی مبتنی بر نقش (RBAC)
• انطباق با استانداردهای صنعتی (GDPR ،HIPAA و غیره)
• استراتژی‌های بهینه‌سازی هزینه برای بارهای کاری Azure ML
• مدل‌های قیمت‌گذاری Azure ML و شیوه‌های صورت‌حساب
• فعالیت عملی - تنظیم نقش‌های RBAC برای یک پروژه در Azure ML، تخمین و نظارت بر هزینه‌ها با استفاده از Azure Cost Management
• نتیجه‌گیری امنیت، انطباق و بهینه‌سازی هزینه

ماژول 9. موارد استفاده و کاربردهای دنیای واقعی

• خدمات مالی - تشخیص کلاهبرداری و مدیریت ریسک
• مراقبت‌های بهداشتی - تحلیل‌های پیش‌بینی‌کننده و تشخیص بیماری
• خرده‌فروشی - پیش‌بینی تقاضا و شخصی‌سازی
• تولید - نگهداری و تعمیرات پیش‌بینی‌کننده 
• فعالیت عملی - حل یک مسئله خاص دامنه با استفاده از سرویس‌های Azure ML
• نتیجه‌گیری موارد استفاده و کاربردهای دنیای واقعی

بخش 2: پروژه پایانی 

این دوره برای چه کسانی مناسب است؟

• دانشمندان داده مشتاق، مهندسان یادگیری ماشین و متخصصان هوش مصنوعی که می‌خواهند مهارت‌هایی را در ساخت، آموزش و استقرار مدل‌های یادگیری ماشین در Azure توسعه دهند.
• متخصصان فناوری اطلاعات، مهندسان ابر و توسعه‌دهندگان نرم‌افزار که به دنبال ارتقای اپلیکیشن های خود با راهکارهای هوش مصنوعی و ML مبتنی بر Azure هستند.
• تحلیلگران داده و متخصصان هوش تجاری (BI) که قصد دارند از Azure ML، پایتون و Power BI برای تحلیل‌های پیشرفته، اتوماسیون و مدل‌سازی پیش‌بینی‌کننده استفاده کنند.
• علاقه‌مندان به یادگیری ماشین و هوش مصنوعی که به استفاده از ابزارهای ابری مانند Azure ML Studio ،AutoML و Cognitive Services در موارد استفاده واقعی علاقه‌مند هستند.
• مدرسان، پژوهشگران و دانشجویانی که می‌خواهند از طریق پروژه‌های عملی و مطالعات موردی، تجربه کاربردی با گردش‌کارهای Azure ML، پایپ‌لاین‌های MLOps و ادغام با سایر سرویس‌های Azure کسب کنند.